АВТОМАТИЧЕСКОЕ  ОПРЕДЕЛЕНИЕ  ГРАНИЦ  МЕЛАНОЦИТАРНЫХ  ПОРАЖЕНИЙ  ДЛЯ  ИНТЕЛЛЕКТУАЛЬНЫХ  СИСТЕМ  ДИАГНОСТИКИ  В  ДЕРМОСКОПИИ

Коротяев  Денис  Викторович

аспирант,  Северный  (Арктический)  федеральный  университет,  РФ,  г.  Архангельск

E-mail: 

AUTOMATED  BORDER  DETECTION  OF  MELANOCYTIC  LESIONS  FOR  INTELLIGENT  DIAGNOSIS  SYSTEMS  IN  DERMOSCOPY

Dennis  Korotyaev

graduate  student,  Northern  (Arctic)  Federal  University,  Russia,  Arkhangelsk

АННОТАЦИЯ

Автоматическое  определение  границ  поражения  является  важным  первостепенным  шагом  в  диагностическом  процессе  для  биоинформационных  систем  компьютерного  зрения.  В  данной  статье  представлен  алгоритм  сегментации  снимков  поражения  кожи,  основанном  на  комбинации  линейных  классификаторов  и  морфологическом  предположении  о  структуре  поражения.  Качественная  оценка  работы  алгоритма  была  получена  в  сравнении  с  методами  сегментации,  применяемыми  ранее  в  схожих  проблемах  классификации,  при  этом  клинически  важные  участки  поражения  классифицируются  точнее  представленным  методом.

ABSTRACT

Automatic  detection  of  lesions'  boundaries  is  an  important  primary  step  in  the  diagnostic  process  for  bioinformatics  computer  vision  systems.  In  this  article  presents  an  algorithm  for  segmentation  of  images  with  skin  lesions,  based  on  a  combination  of  linear  classifiers  and  the  assumption  of  morphological  lesion  structure.  Qualitative  assessment  of  algorithms'  work  was  obtained  in  comparison  with  the  segmentation  methods  proposed  previously  in  similar  problems  of  classification,  clinically  important  regions  of  lesions  are  classified  more  accurately  by  presented  method.

Ключевые  слова:   распознавание  образов;  машинное  обучение;  меланома.

Keywords:   pattern  recognition;  machine  learning;  melanoma.

Злокачественная  меланома  является  одним  из  самых  опасных  и  распространенных  видов  рака  среди  взрослого  населения,  имеющим  высокий  процент  летальных  исходов.  В  то  же  время  считается,  что  данный  вид  рака  —  самый  предотвратимый.  Проявления  заболевания  можно  диагностировать  на  ранних  стадиях,  вследствие  чего  меланома  может  быть  вылечена  путем  простого  удаления.  Однако  меланому  трудно  отличить  от  обычных  родинок,  даже  опытным  дерматологам.  По  статистике,  начиная  с  2001  года,  заболеваемость  меланомой  в  России  выросла  более  чем  на  треть  [1,  c.  16]. 

В  данной  работе  представлен  алгоритм  обработки  изображений  кожи,  имеющими  характерную  пигментацию,  для  автоматизированных  систем  компьютерной  диагностики.  Применяемый  метод  позволяет  разграничить  контуры  пигментных  образований  (провести  сегментацию)  на  регионы,  имеющие  клинически  важную  информацию  для  последующей  диагностики. 

Для  решения  поставленной  задачи  был  спроектирован  комплексный  классификатор,  на  этапе  инициализации  которого,  производился  поиск  начальных  регионов,  руководствуясь  предположением,  что  пигментированные  зоны  имеет  более  темную  окраску,  в  отличие  от  непораженной  кожи.  После  данного  разбиения  в  работу  вступал  набор  линейных  классификаторов,  комбинируя  результаты  каждого  в  отдельности  и  обеспечивая  постепенную  сходимость  алгоритма  в  зависимости  от  тренировочного  набора  и  предыдущих  результатов  сегментации.  Данный  процесс  повторяется  многократно,  обновляя  выборку  и  оптимизируя  набор  параметров  до  достижения  сходимости.

Поиск  регионов  для  инициализации  первоначально  строится  из  предположения,  что  большинство  меланом  на  ранней  стадии  развития  имеют  диаметр  менее  6—8  мм  [2].  Тем  самым  мы  разделяем  исходное  изображение  на  область  —  I,  вписанную  в  окружность  радиусом  3мм  по  центру  и  область  —  E,  находящуюся  за  ее  пределами.  Мы  также  предполагаем,  что  светлые  участки  в  описанной  зоне  —  это  кожа,  а  участки  во  внутренней  области,  которые  в  достаточной  мере  статистически  отличаются  от  кожи  —  это  поражения  (рис.  1).

Рисунок  1.  Злокачественная  меланома:  сегментация

Более  того,  мы  разбиваем  область  E  на  4-е  равных  участка  по  периметру,  в  каждом  из  которых  находим  небольшие  квадратичные  регионы,  являющиеся  по  предположению  эталонными  представителями  непораженной  кожи.  Отбираем  из  них  3-и  наиболее  релевантных  региона  для  устойчивости  алгоритма  и  во  избежание  включения  областей  с  артефактами.  После  чего  в  области  I  находим  квадратичный  регион,  среднее  значение  пикселей  которого  имеет  наибольшее  евклидово  расстояние  от  3-ех  эталонных  представителей,  полученных  ранее.

На  следующем  этапе,  основываясь  на  первоначально  полученных  квадратичных  регионах,  производится  этап  классификации  «с  учителем»  при  помощи  линейного  дискриминантного  классификатора  (LDA)  и  квадратичного  дискриминантного  классификатора  (QDA)  [3,  с.  138—150].  QDA  использует  многомерную  плотность  распределения  с  оценкой  ковариации  по  типу  классифицируемых  объектов,  тогда  как  LDA  использует  обобщенную  оценку  ковариационной  матрицы.

Для  обучения  используются  непересекающиеся  подмножества:  соответственно  одни  для  LDA,  другие  для  QDA;  уменьшая  пространственную  корреляцию  между  выборками.  Для  каждого  значения    вычисляется  точность  классификация  для  каждого  класса:  кожи  и  поражения;  сохраняется  наилучший  результат.  При  одинаковой  точности  приоритет  отдается  LDA  классификатору. 

Начальные  регионы,  которые  были  классифицированы  согласно  установленному  порогу  точности  как  поражения,  постепенно  расширяются,  добавлением  новых  обучающих  выборок,  при  этом  внутри  данных  регионов  возможно  обновление  первично  инициированных  параметров  классификации.  Данный  процесс  повторяется,  периодически  добавляя  образцы  для  обучения  и  корректируя  ход  классификации,  до  достижения  условия  сходимости:

                                        (2)

где:    —  количество  пикселей,  классифицированных  как  «поражение»  с  заданной  точностью  на  соответствующей  итерации  k. 

В  качестве  исходных  данных  для  исследований  были  использованы  снимки  с  участками  поражения  кожи,  полученные  при  помощи  дермоскопа  Dermlite  Pro  II  HR.  Изображения  имеют  разрешение  1651  на  1651  пиксель,  с  пространственным  разрешением  равным  2400  dpi  и  глубиной  цвета  24  бита.  Все  снимки  были  разделены  на  2-е  группы:  доброкачественные  образования  и  злокачественная  меланома,  в  количестве  соответственно  120  и  39  изображений.

Для  оценки  результатов  работы  представленного  алгоритма  были  подобраны  алгоритмы-аналоги  для  сравнения,  первый  из  которых  был  предложен  профессором  M.  Emre  Celebi  в  2008  году  [4],  второй  алгоритм  был  представлен  M.  Silveira  годом  позже  [5].

По  результатам  работы  всех  трех  алгоритмов  были  получены  следующие  результаты  (рис.  2):

Рисунок  2.  Примеры  сегментации  поражений  алгоритмами:  M .  Celebi  (черный  контур),  M.  Silveira  (серый  контур),  исследуемый  алгоритм  (белый  контур).  Красные  штрихованные  области  показывают  клинически  важные  участки  поражения,  не  вошедшие  в  итоговое  разграничение  областей

Как  видно  из  приведенных  выше  примеров,  регионы  поражения  классифицируются  достаточно  точно,  в  отличие  от  снимков,  где  разница  в  контрасте  между  кожей  и  поражением  довольно  низкая.  При  этом  по  отношению  к  алгоритмам,  выбранным  в  качестве  аналогов  для  сравнения,  исследуемый  алгоритм  идентифицирует  больше  клинически  важных  участков.

Точное  определение  границ  поражения  влияет  на  точность  классификации  в  компьютерно-ориентированных  системах  автоматической  диагностики.  Разработанный  алгоритм  может  быть  применен  для  автоматической  сегментации  визуально  разделимых  поражений,  снимая  рутинную  нагрузку  с  врачей  дерматологов  и  ускоряя  процесс  постановки  диагноза,  предоставляя  клинически  важную  информацию  для  врачей  общей  практики.

Список  литературы :

1.Чиссов  В.И.  Злокачественные  новообразования  в  России  в  2011  г.  (заболеваемость  и  смертность)  /  Чиссов  В.И.,  Старинский  В.В.,  Петрова  Г.В.,  М.:  ФГБУ  «МНИОИ  им.  П.А.  Герцена»  Минздрава  России,  2013.  —  289  с.  ISBN  978-5-85502-179-0.

2.Чиссов  В.И.  Ранее  выявление  и  профилактика  меланомы  кожи.  /  Чиссов  В.И.,  Старинский  В.В.,  Александрова  Л.М.,  М.:  ФГБУ  «МНИОИ  им.  П.А.  Герцена»  Минздрава  России,  2013.  —  22  с.  ISBN  978-5-85502-184-4.

3.James  G.  An  Introduction  to  Statistical  Learning.  /  James  G.,  Witten  D.,  Hastie  T.  Springer,  New  York,  2013.  —  426  с.  ISBN  978-1-4614-7137-0.

4.Celeb  M.  Border  detection  in  dermoscopy  images  using  statistical  region  merging.  /  Celebi  M.,  Kingravi  H.,  Iyatomi  H.  Skin  Research  and  Technology,  —  2008.  —  V.  14,  —  №  3.  —  P.  347—353.

5.Silveira  M.  Comparison  of  segmentation  methods  for  melanoma  diagnosis  in  dermoscopy  images.  /  Silveira  M.,  Nascimento  J.,  Marques  J.  EEE  Journal  on  Selected  Topics  in  Signal  Processing,  —  2009.  —  V.  3,  —  №  1.  —  P.  35—45.